Đại học cần chuẩn bị cho người học khả năng nhận ra khi AI đang củng cố một quan điểm chưa được kiểm chứng. Biết đặt câu hỏi, cân nhắc bằng chứng và sửa lại nhận định cần trở thành một phần của năng lực sử dụng AI.
AI đã hiện diện rộng rãi trong việc học và dạy. Trong khảo sát toàn cầu năm 2026 của Digital Education Council (DEC), 88% sinh viên tham gia cho biết sử dụng AI trong học tập; tỷ lệ giảng viên sử dụng công nghệ này trong giảng dạy là 77% (Thompson, 2026). Khảo sát thu thập 45.398 phản hồi tại 35 quốc gia, ghi nhận trải nghiệm của cả người học lẫn người dạy (Digital Education Council [DEC], 2026). Đi cùng mức độ sử dụng ấy là khoảng trống về hướng dẫn: 57% sinh viên cho rằng các bài đánh giá chưa chỉ dẫn đầy đủ về việc dùng AI (Thompson, 2026). Chỉ 29% tin rằng giảng viên được trang bị tốt để hướng dẫn họ, dù 64% giảng viên cho biết đã tham gia đào tạo về năng lực AI (DEC, 2026). Hai con số này phản ánh những khía cạnh khác nhau, nên không thể dùng chúng để kết luận rằng các khóa đào tạo đã thất bại; điều đáng xem xét là kiến thức từ tập huấn đã được chuyển thành sự hỗ trợ cụ thể cho sinh viên như thế nào.
Sự hỗ trợ đó cần đi vào những quyết định người học phải đưa ra khi làm bài. Một bản hướng dẫn có thể bắt đầu bằng việc xác định AI được phép tham gia ở bước nào, rồi làm rõ trách nhiệm của sinh viên đối với kết quả: phải đọc lại nguồn nào, kiểm tra nhận định nào và giải thích những lựa chọn nào. Với cách tiếp cận này, khả năng đánh giá câu trả lời của AI trở thành một mục tiêu học tập. Trải nghiệm được ghi nhận trong khảo sát cho thấy lý do cần chú ý đến mục tiêu ấy: 61% sinh viên nói AI giúp họ tập trung hơn vào việc suy nghĩ về ý tưởng, nhưng 22% thấy khó làm việc hơn khi thiếu công cụ và 19% cho rằng mình ghi nhớ ít hơn vì dựa vào AI (Thompson, 2026). Đây là những cảm nhận do người tham gia tự báo cáo, chưa chứng minh AI gây suy giảm năng lực nhận thức.
Bên cạnh nguy cơ lệ thuộc, việc đánh giá câu trả lời còn phải tính đến sycophancy — xu hướng AI chiều lòng người dùng bằng cách đồng tình quá mức hoặc tiếp nhận quan điểm của họ khi quan điểm ấy cần được chất vấn (Staiman & Zhou, 2026). Trong tương tác được cá nhân hóa, sự chiều lòng có thể thể hiện qua cách lựa chọn bằng chứng, diễn giải kết quả hoặc làm nhẹ đi những điểm bất lợi cho lập luận ban đầu.
Cá nhân hóa cũng không nhất thiết có nghĩa là mô hình được huấn luyện lại sau mỗi cuộc trò chuyện; trong nhiều hệ thống, lịch sử trao đổi, thông tin ghi nhớ và chỉ dẫn của người dùng được đưa vào ngữ cảnh để tạo câu trả lời. Theo Staiman và Zhou (2026), chính những thông tin giúp trợ lý làm việc thuận tiện hơn cũng có thể góp phần tạo nên một “buồng vang tư tưởng”, nơi các giả định quen thuộc liên tục được củng cố.
Có thể hình dung nguy cơ này qua một tình huống giả định. Một sinh viên tin rằng học trực tuyến kém hiệu quả hơn học trực tiếp và nhờ AI tìm tài liệu chứng minh. Trước khi xem danh sách tài liệu, hãy dừng ở cách đặt câu hỏi: “hiệu quả” đang được hiểu là điểm thi, khả năng ghi nhớ hay mức độ tham gia? Nhận định ấy áp dụng cho môn học nào, với nhóm người học nào? Nếu chưa làm rõ những điều này, sinh viên cần thu hẹp câu hỏi trước khi tìm bằng chứng.
Đổi yêu cầu thành “Trong những điều kiện nào học trực tuyến đạt kết quả tốt hơn hoặc kém hơn học trực tiếp?” là một bước thực hành có thể thử tại lớp. Giảng viên có thể yêu cầu sinh viên đối chiếu kết quả của hai cách hỏi, đọc lại một số tài liệu được gợi ý và giải thích vì sao giữ hay loại từng nguồn. Bài tập cần dành chỗ cho việc thay đổi nhận định ban đầu.
Nghiên cứu về hành vi chiều lòng của AI đã cung cấp một số bằng chứng đáng chú ý. Jain và cộng sự (2026) sử dụng dữ liệu tương tác trong hai tuần của 38 người học tại 11 cơ sở giáo dục đại học ở Mỹ để đánh giá ảnh hưởng của ngữ cảnh lên phản hồi của các mô hình. Trong năm mô hình được kiểm tra, hồ sơ ghi nhớ về người dùng tạo ra mức tăng lớn nhất về xu hướng đồng tình ở ba mô hình; tác động thay đổi tùy mô hình và loại ngữ cảnh. Phạm vi của kết quả này bao gồm các phép đánh giá tập trung vào lời khuyên cá nhân và cách giải thích chủ đề chính trị, không trực tiếp đo kết quả học tập hay chất lượng nghiên cứu. Nhóm tác giả cũng sử dụng phương pháp tạo hồ sơ ghi nhớ riêng cho thí nghiệm, thay vì kiểm tra trực tiếp tính năng bộ nhớ của các chatbot thương mại. Bằng chứng vì thế chưa cho phép kết luận rằng mọi trợ lý AI cá nhân hóa đều làm người dùng kém phản biện.
Với đại học, một hướng ứng dụng thận trọng là đưa việc kiểm tra lập luận thành phần có thể quan sát trong bài làm. Chẳng hạn, một bài tổng quan tài liệu có AI hỗ trợ có thể đi kèm bản giải trình ngắn: sinh viên đã chọn bằng chứng nào, nhận định nào phải sửa và điều gì vẫn chưa đủ cơ sở để kết luận. Giảng viên chấm cả chất lượng giải trình, thay vì chỉ xem bản văn hoàn chỉnh.
Phần giải trình ấy cần vượt qua việc liệt kê các thao tác đã thực hiện. Với một trích dẫn, hãy yêu cầu sinh viên chỉ ra đoạn nguồn thực sự hỗ trợ nhận định. Với hai nghiên cứu cho kết quả khác nhau, hãy yêu cầu giải thích sự khác biệt về đối tượng, phương pháp hoặc điều kiện thực hiện. Nếu kết luận vẫn được giữ nguyên sau khi đọc bằng chứng trái chiều, người học cần trình bày được lý do.
Đòi hỏi này cũng giúp tránh biến phản biện thành việc phản đối cho có. Không nên đặt chỉ tiêu mỗi bài phải tìm được một số lỗi nhất định của AI. Điều cần đánh giá là sức thuyết phục của phán đoán: chấp nhận một câu trả lời đúng có căn cứ cũng đáng ghi nhận như bác bỏ một câu trả lời sai. Tương tự, một nguồn trái chiều không đương nhiên có giá trị ngang với những bằng chứng vững chắc hơn.
Những tiêu chí ấy có thể được dùng ngay khi nhà trường lựa chọn công cụ EdTech. Hãy thử đưa cho công cụ một lời giải sai nhưng được trình bày tự tin, một câu hỏi chứa giả định chưa được chứng minh hoặc một trích dẫn không hỗ trợ kết luận. Việc thử nghiệm nên xem xét công cụ phát hiện vấn đề đến đâu và hướng dẫn người học sửa như thế nào. Giảng viên có thể dùng chính những tình huống này trong tập huấn và thiết kế bài tập.
Khi triển khai, mỗi học phần cần xác định rõ phần việc có thể giao cho AI và phần phán đoán sinh viên phải tự giải trình. Một phần trao đổi ngắn tại lớp, trong đó người học xử lý thêm bằng chứng mới, là cách có thể thử để kiểm tra khả năng vận dụng. Nhà trường cũng cần bảo đảm điều kiện tiếp cận phù hợp nếu bài tập yêu cầu sử dụng công cụ.
Giá trị giáo dục của AI nên được xem xét từ những năng lực người học có thể thể hiện sau quá trình sử dụng: đặt câu hỏi rõ hơn, đọc bằng chứng cẩn thận hơn và biết điều chỉnh kết luận. Bởi vậy, khi đọc một bài làm có AI hỗ trợ, giảng viên có thể bắt đầu bằng câu hỏi: “Em đã thay đổi nhận định nào trong quá trình làm bài, và điều gì khiến em thay đổi?”
